Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

GraspClutter6D : un ensemble de données réelles à grande échelle pour une perception et une compréhension robustes dans les scènes encombrées

Created by
  • Haebom

Auteur

Seunghyeok Back, Joosoon Lee, Kangmin Kim, Heeseon Rho, Geonhyup Lee, Raeyoung Kang, Sangbeom Lee, Sangjun Noh, Youngjin Lee, Taeyeop Lee, Kyoobin Lee

Contour

GraspClutter6D est un jeu de données de saisie à grande échelle, conçu pour résoudre le problème de la saisie robuste d'objets dans des environnements complexes pour les robots. Pour pallier la simplicité des scènes et le manque de diversité des jeux de données existants, il contient 1 000 scènes complexes denses (14,1 objets/scène, 62,6 % d'occlusion), 52 000 images RVB-D de 200 objets capturées sous différents angles dans 75 configurations environnementales différentes (boîtes, étagères et tables), 736 000 poses d'objets 6D et 9,3 milliards de saisies robotiques possibles. Dans cet article, nous utilisons ce jeu de données pour évaluer les performances des méthodes de pointe de segmentation, d'estimation de pose d'objets et de détection de saisie, et démontrons que les réseaux de saisie entraînés sur GraspClutter6D surpassent les réseaux entraînés sur des jeux de données existants, tant en simulation qu'en expérimentation sur le terrain. Le jeu de données, la boîte à outils et les outils d'annotation sont accessibles au public.

Takeaways, Limitations

•
Takeaways:
◦
Fournir un ensemble de données environnementales complexes à grande échelle sur les phages du monde réel qui surmonte les limites des ensembles de données existants.
◦
Contribue à l'étude de problèmes de phages réalistes, y compris des environnements et des objets divers et des taux d'occlusion élevés.
◦
Il a été démontré expérimentalement que l’apprentissage à l’aide de GraspClutter6D produit des performances de rétention supérieures à celles des ensembles de données existants.
◦
Augmenter la reproductibilité et l’évolutivité de la recherche grâce à des ensembles de données ouverts, des boîtes à outils et des outils d’annotation.
•
Limitations:
◦
Malgré la taille de l’ensemble de données, il se peut qu’il ne reflète pas parfaitement tous les environnements complexes du monde réel.
◦
Il est possible qu’il y ait un biais envers certains types d’objets ou d’environnements.
◦
Il faut tenir compte du bruit et des erreurs qui peuvent survenir pendant le processus de collecte des données.
👍
Made with Slashpage